排序方式: 共有16条查询结果,搜索用时 19 毫秒
11.
现有的生成对抗网络(GAN)和差分隐私相结合的方法大多采用梯度扰动的方法实现隐私保护,即在优化过程中利用梯度裁剪技术来约束优化器对单个数据的敏感性,并对裁剪后的梯度添加随机噪声以达到保护模型的目的。然而大多数方法在训练时裁剪阈值固定,而阈值过大或过小均会影响模型的性能。针对该问题,提出动态梯度阈值裁剪的DGC_DPGAN(Dynamic Gradient Clipping Differential Privacy Generative Adversarial Network)算法以兼顾隐私保护和模型的性能。该算法结合预训练技术,在优化过程中先求取每批次隐私数据的梯度F-范数均值作为动态梯度裁剪阈值,再对梯度进行扰动。考虑不同的裁剪顺序,提出先裁剪再加噪的CLIP_DGC_DPGAN(Clip Dynamic Gradient Clipping Differential Privacy Generative Adversarial Network)算法和先加噪再裁剪的DGC_DPGAN算法,并采用Rényi Accountant求取隐私损失。实验结果表明,在相同的隐私预算下,所提出的两种... 相似文献
12.
加拿大CANDU核电厂核反应堆安全原理采用“纵深防御”的概念,并设计中采用了多重性,多样性、隔离、设备鉴定,质量保证以及使用合适的设计法规和标准等设计手段。秦山三期CANDU核电厂在缓解事故后果方面设四个专设安全系统以及一套可靠的安全支持系统。 相似文献
13.
14.
联邦学习(FL)是一种新的分布式机器学习范式,它在保护设备数据隐私的同时打破数据壁垒,从而使各方能在不共享本地数据的前提下协作训练机器学习模型。然而,如何处理不同客户端的非独立同分布(Non-IID)数据仍是FL面临的一个巨大挑战,目前提出的一些解决方案没有利用好本地模型和全局模型的隐含关系,无法简单而高效地解决问题。针对FL中不同客户端数据的Non-IID问题,提出新的FL优化算法——联邦自正则(FedSR)和动态联邦自正则(Dyn-FedSR)。FedSR在每一轮训练过程中引入自正则化惩罚项动态修改本地损失函数,并通过构建本地模型和全局模型的关系来让本地模型靠近聚合丰富知识的全局模型,从而缓解Non-IID数据带来的客户端偏移问题;Dyn-FedSR则在FedSR基础上通过计算本地模型和全局模型的相似度来动态确定自正则项系数。对不同任务进行的大量实验分析表明,FedSR和Dyn-FedSR这两个算法在各种场景下的表现都明显优于联邦平均(FedAvg)算法、联邦近端(FedProx)优化算法和随机控制平均算法(SCAFFOLD)等FL算法,能够实现高效通信,正确率较高,且对不平衡数据... 相似文献
15.
针对推拉扇用型材模具设计中存在的问题,在流道设计、型芯固定方式、局部供料等方面进行了一些改进和提高。 相似文献
16.
笔者日前到义乌中国小商品城采访时了解到,该商城投资800余万元建成先进的消防系统,同时完善了消防管理制度和措施,从而摘掉了戴了一年多的“重大火险隐患”帽子。 1992年,义乌中国小商品城第四代市场建成后,当时因急于开业,忽视消防设施的建设,致使商城内没有喷淋灭火系统,缺乏足够压力的水源,无消防组织及制度,被消防部门列为重大火险隐患。1995年8月,柴松 相似文献